研究如何通过直接建模条件插值时间的条件分布来克服强制使参数化强度函数的局限性,并提出了一个简单的混合模型,其匹配了基于流的模型的灵活性,但也允许闭式采样和计算矩,该模型在标准预测任务中表现出最先进的性能,适用于学习序列嵌入和填补缺失数据等新领域。
Sep, 2019
通过 IFIB(无强度积分型进程)提出了一种在离散事件中高度准确建模条件联合概率密度 $p^*(m,t)$ 的解决方案,其中事件标记可以是分类的或连续多维空间的数值,该方法极大地简化了过程以满足数学约束条件,并通过在真实数据和合成数据集上展示出的优越实验结果进行验证。
Aug, 2023
本研究提出了基于递归神经网络 (RNN) 的新型时间点过程模型,能够以一种更为灵活的方式表示强度函数的时间变化,并能够精确地评估对数似然函数,使其能在综合和真实数据集上实现优越性能。
May, 2019
本文介绍了使用基于递归神经网络的点过程模型来处理异步时间戳事件生成的方法,其中包括背景模型和历史影响模型,模型以端对端的方式进行训练,并应用于使用全球银行的 1000 多台 ATM 的日志数据的预测性维护问题。
May, 2017
本文提出了一种基于因果模型的稀疏化时间点过程模型,利用超定理和因果单调性提出了一种新的算法,生成了给定时间点下的反事实情形,并在合成和实际流行病数据的模拟实验中取得了有效结果。
Nov, 2021
本文采用神经网络模型一个灵活但具有明确定义的累积风险函数,从而降低参数复杂性,并在六个数据集上的实验结果表明,该模型在数据拟合和事件预测任务中取得了最先进的性能,同时参数和内存使用量显著减少。
Apr, 2024
本文提出了一种变分神经时间点过程(VNTPP),通过引入推理和生成网络,训练深度神经网络中的潜变量分布以应对时间点过程的随机特性,并利用潜变量分布计算强度函数,从而更准确地预测事件类型和到达时间,实验证明该模型可以广义地表示各种事件类型,并在合成和实际数据集上表现优异。
Feb, 2022
本文提出了一种基于无强度的点过程建模方法,使用 Wasserstein 距离训练模型,以解决目前采用极大似然方法训练存在的多峰分布问题,在各种合成和真实数据上的实验证明了该方法的优越性。
本研究提出了一种基于被标记的时间点过程的新事件生成模型,其通过条件生成器以及多维标记来捕捉点过程的分布,从而在多维事件空间中实现了出色的学习效率和样本生成性能的表现,并且通过在数值实验中对比其他最先进基线表明其性能优于其他方法。
May, 2023
这篇论文提出了一种基于增强学习方法的灵活时空点过程模型的算法,该算法可以生成满足真实数据分布的样本来评估模型质量,并采用逐步改进的策略参数化模型。模拟结果表明其在合成和真实数据中均表现良好。
Nov, 2018